Manejo de datos con dplyr

Ilustración de Allison Horst.

Repaso de operaciones

• Seleccionamos columnas con select()
• Renombramos columnas con rename()
• Filtramos filas con filter()
• Ordenamos data frames con arrange()
• Creamos columnas con mutate()
• Generamos resúmenes por grupo con el combo group_by() + summarize()
• Hacemos cadenas de operaciones con las pipes (%>%)

Seleccionar columnas

• Nos quedamos con solo algunas columnas de la base.

• La función a utilizar es select().

select(df_aprob, president:net_approval)

• everything() es una función de ayuda muy útil:

select(df_aprob, president, everything()) # selecciona "president" y todo lo demás

• También podemos deseleccionar variables:

select(df_aprob, -unemp)

Renombrar columnas

• La función es rename().

• El segundo argumento toma la forma “nombre_nuevo = nombre_antiguo”.

rename(df_aprob, desempleo = unemp)

Filtrar filas (I)

• Nos quedamos con solo algunas filas de la base, de acuerdo a una condición lógica.

• La función es filter().

filter(df_aprob, country == "Chile")

Filtrar filas (II)

• Funciona en base a operadores lógicos:

Filtrar filas (III)

• Ejemplos con otros operadores lógicos:

filter(df_aprob, net_approval > 0)

filter(df_aprob, country %in% c("Argentina", "Chile", "Uruguay"))

filter(df_aprob, exec_corr > mean(exec_corr))

Ordenar data frames

• Podemos cambiar el orden en las filas de un data frame.

• La función es arrange().

arrange(df_aprob, exec_corr) # de menor a mayor, según la variable "exec_corr"

arrange(df_aprob, -exec_corr) # de mayor a menor, según la variable "exec_corr"

• Podemos ordenar por más de una variable. Las posteriores a la primera se utilizarán para resolver empates!

arrange(df_aprob, pres_sex, -net_approval)

Crear columnas (I)

Ilustración de Allison Horst.

Crear columnas (II)

• La función es mutate().

• A partir de una sola variable:

mutate(df_aprob, wdi_gdp_log = log(wdi_gdp))
mutate(df_aprob, wdi_pop_mill = wdi_pop / 1000000)

• A partir de múltiples variables:

mutate(df_aprob, wdi_gdp_pc = wdi_gdp / wdi_pop)

Resúmenes por grupo (I)

• Primero, con summarize() podemos hacer resúmenes para toda la base (agregarla/colapsarla):

summarize(df_aprob, prom_desemp = mean(unemp))

## # A tibble: 1 x 1
##   prom_desemp
##         <dbl>
## 1        7.04

summarize(df_aprob, 
          prom_desemp   = mean(unemp),
          prom_crec     = mean(gdp_growth),
          prom_aprob    = mean(net_approval))

## # A tibble: 1 x 3
##   prom_desemp prom_crec prom_aprob
##         <dbl>     <dbl>      <dbl>
## 1        7.04      3.77       15.3

Resúmenes por grupo (II)

• Más interesantemente, podemos hacer resúmenes por grupo. Primero tenemos que tener una base “agrupada”:

df_aprob_por_pais <- group_by(df_aprob, country)

summarize(df_aprob_por_pais, 
          prom_desemp   = mean(unemp),
          prom_crec     = mean(gdp_growth),
          prom_aprob    = mean(net_approval))

## # A tibble: 17 x 4
##   country   prom_desemp prom_crec prom_aprob
##   <chr>           <dbl>     <dbl>      <dbl>
## 1 Argentina       11.0       2.72      16.7 
## 2 Bolivia          3.70      4.24      11.3 
## 3 Brazil           8.35      3.4       34.2 
## 4 Chile            8.18      4.33       5.71
## 5 Colombia        12.5       4.35      27.1 
## # … with 12 more rows

Cadenas de operaciones (I)

• Usualmente queremos aplicar más de una operación a un data frame. Las pipes (%>%) nos ayudan con esto.

df_aprob_pib_pc_alto <- df_aprob %>% 
  mutate(pib_pc = wdi_gdp / wdi_pop) %>% 
  filter(pib_pc > mean(pib_pc))

• La cadena de operaciones anterior es legible en lenguaje natural. Le dice a R, línea por línea:
  • Asigna un nuevo objeto, llamado “df_aprob_pib_pc_alto”, que sea igual a “df_aprob”, PERO LUEGO
  • Crea en él una columna “pib_pc”, que sea igual a “wdi_gdp” dividido “wdi_pop”, PERO LUEGO
  • Fíltralo, quedándote solo con las filas en las que “pib_pc” sea mayor a la media de “pib_pc” para la base.

Cadenas de operaciones (II)

df_aprob_pib_pc_alto <- df_aprob %>% 
  mutate(pib_pc = wdi_gdp / wdi_pop) %>% 
  filter(pib_pc > mean(pib_pc))

• Nota cómo omitimos el primer argumento de cada función! Para f1() %>% f2(), la pipe toma el output de f1 y lo entrega como input al primer argumento de f2.

Cadenas de operaciones (III)

• Para hacer resúmenes por grupo utilizar las pipes es una buena idea:

df_aprob %>% 
  group_by(country) %>% 
  summarize(prom_desemp   = mean(unemp),
            prom_crec     = mean(gdp_growth),
            prom_aprob    = mean(net_approval))

## # A tibble: 17 x 4
##   country   prom_desemp prom_crec prom_aprob
##   <chr>           <dbl>     <dbl>      <dbl>
## 1 Argentina       11.0       2.72      16.7 
## 2 Bolivia          3.70      4.24      11.3 
## 3 Brazil           8.35      3.4       34.2 
## 4 Chile            8.18      4.33       5.71
## 5 Colombia        12.5       4.35      27.1 
## # … with 12 more rows